Page 150 - 基于深度学习的人工智能技术研究

Research on Artificial Intelligence Technology Based on Deep Learning
基于深度学习的人工智能技术研究

多，现如今临床试验所产生的数据量是 10 年前的 3 倍，如此大的数据量，对于
人工智能而言无异于一个宝库。基于这些海量临床数据，人工智能可以在交叉验
证、回顾性验证、前瞻性验证等环节进行预测，提升临床试验的效率和结果可靠
性。在临床试验中，将试验与患者精准匹配对于临床研究团队和患者来说都是一

个耗时且具有挑战性的过程。人工智能为解决患者高效匹配提供了可能，能够通
过将患者已有的症状、诊断与治疗的信息进行匹配，提高患者与临床试验之间的
匹配率。患者监测也是当前临床试验的难点，监测的不及时与患者的不依从往往
会对最终决策的准确率造成影响。人工智能与可穿戴式设备的结合为解决该问题

提供了有效的途径，通过算法对患者的各种指标以及行为进行实时的监测，同时
通过日常积累的数据进行退出风险的预测，从而进行相应的调整，提高患者参与
度与保留率。
临床数据的共享也同样在临床试验中拥有着巨大作用，在以开放数据标准支

持的共享平台上对临床试验数据进行共享与整合，可以推进协作和集成。AI 在
临床试验的各个过程中都有自己可发挥作用的潜力，ConcertAI、Saama、PathAI
等公司更是使用 AI 为临床试验提供更大的便利。例如，Saama 公司利用自注意
力机制促进序列内交互进行实体识别，并基于此提出一种用于临床或生物医学研

究文本中药物和疾病实体识别以及药物不良事件提取的联合模型。可帮助快速
识别研究中心、研究以及患者等不同层面的不良事件，在实际应用中可帮助明确
和完善统计分析计划中相关定义。不局限于随机对照试验（Randomized Control
Trial，RCT），AI 在临床试验中的应用也同样着眼于真实世界研究。Vaidya 等
使用 Concerto HealthAI 数据库中 3807 名患者的肿瘤电子病历数据，通过 Concert

AI 测试多种动态机器学习模型，最终使用通过 330 个特征构建的极度随机森林
得到了可以根据累积的历史临床数据动态预测转移性乳腺癌（Metastaticbreast
Cancer，MBC）复发风险的模型。此模型可以帮助评估乳腺癌患者治疗过程中各

个点的患者风险和治疗方案，以及对患者进行分层以实施不同级别的监测，在实
际应用中帮助指导患者护理和监测决策。
毫无疑问，人工智能技术的发展为高效解决很多困扰当前生物医药领域已久
的问题带来了可能。传统医学诊断仅依靠医生对于病理组织的认知进行判断，而

人工智能技术能够整合各种病理及基因信息，对医学影像资料进行自动化解读、
模拟医生工作过程等行为进行智能诊断，解决了诊断结果不准确、工作效率低下

142